一种基于领域损失预测主动学习的玻璃缺陷检测方法与流程

技术特征：
1.一种基于领域损失预测主动学习的玻璃缺陷检测方法，其特征在于：步骤1：输入待处理的未标记玻璃图像，随机选取部分图像，交由专家标记，作为初始标注数据集；步骤2：构建多标签分类模型与损失预测模型；步骤3：利用当前标注数据集训练多标签分类模型与损失预测模型；步骤4：使用损失预测模型从所有未标注玻璃样本中挑选样本，标注后加入标注数据集；步骤5：重复步骤3、步骤4，直到预算耗尽或达到预期效果，得到训练好的多标签分类模型。2.根据权利要求1所述的一种基于领域损失预测主动学习的玻璃缺陷检测方法，其特征在于：所述步骤2中的多标签分类模型由图像特征学习模型与图卷积神经网络模型组成；其中，多标签分类损失函数如下所示：其中，c表示类别数，σ表示sigmoid函数，表示类别c下的预测分数；所述步骤2中的损失预测模型由多个损失预测模块组成，每个损失预测模块包括一个全局平均池化层、全连接层，损失预测模块的输入为多标签分类模型中间层的特征，各损失预测模块的特征经连接后在通过一个全连接层，与多标签分类模型中图卷积神经网络的输出进行点积运算，得到预测损失；其中，预测损失的损失函数如下所示：其中，ξ为预定义的边界；定义最终损失函数为：loss＝l
target
λ
·
l
loss
；其中λ为权重参数。3.根据权利要求1所述的一种基于领域损失预测主动学习的玻璃缺陷检测方法，其特征在于：基于当前标注数据集，使用反向传播算法训练步骤2中的多标签分类模型、损失预测模型。4.根据权利要求1所述的一种基于领域损失预测主动学习的玻璃缺陷检测方法，其特征在于：基于步骤3得到的训练后的损失预测模型，对未标注样本池中的玻璃样本进行损失预测并排序，取前k大的样本作为主动学习挑选出的重要样本；将其标注后，加入标记样本集中。5.根据权利要求1所述的一种基于领域损失预测主动学习的玻璃缺陷检测方法，其特征在于：重复步骤3、步骤4，直到预算耗尽或达到预期效果，得到训练好的多标签图像分类模型。

技术总结
本发明公开了一种基于领域损失预测主动学习的玻璃缺陷检测方法，该方法定义了一个损失预测模型，该模型能与多标签分类模型共同训练优化，并对未标注样本池中的玻璃样本进行损失预测，排序后取前K个预测损失值最大的玻璃样本作为主动学习挑选出的高价值样本，标注后加入标注样本集中，用于训练多标签分类模型，从而对待检测玻璃中存在的缺陷类型进行识别。使用该方法能够有效提升模型在较小多标签图像样本量下的分类准确率，从而用较少的数据量使模型效果达到预期，降低样本标注成本。降低样本标注成本。降低样本标注成本。


技术研发人员：刘贵松 解修蕊 张邵楷 占求港 黄鹂 杨新
受保护的技术使用者：西南财经大学
技术研发日：2021.07.22
技术公布日：2021/11/17